基于混合LSTM深度学习的特高压直流线路模量幅值比故障测距研究

对特高压直流(Ultra high voltage direct current,UHVDC)输电系统而言,准确可靠的测距方案可确保故障线路快速恢复、提高供电可靠性。提出一种基于线模分量和零模分量幅值比的特高压直流线路单端故障测距方法。首先推导出故障距离与初始电压行波模量幅值比之间的近似公式。公式表明,两者之间存在非线性关系,且与过渡电阻无关。然后选用混合长短期记忆(Long short-time memory,LSTM)深度学习网络进行训练和学习,提取各模量初始电压行波首波头的幅值比作为深度学习网络的输入量,以故障距离作为输出量,构建深度学习故障测距模型。搭建云广±800 kV特高压直流输电系统仿真模型。仿真实验表明,所提出的测距方法不受故障类型和过渡电阻的影响,且测距结果具有较高的准确性,相对误差不超过0.34%。

Elman-Adaboost集成人工神经网络高压交流输电线路单相接地初始电压行波模量幅值比单端故障测距

针对现有单端行波故障测距方法对高阻接地故障不灵敏、反射波波头识别不准等问题,提出了一种Elman-Adaboost集成人工神经网络高压交流输电线路单相接地初始电压行波模量幅值比单端故障测距的方法。首先,基于行波衰减原理,通过推导高压交流输电线路故障距离与线路首端初始暂态电压行波线模分量与零模分量幅值比之间的计算公式,发现两者存在与过渡电阻无关的非线性关系;其次,利用Elman-Adaboost集成人工神经网络拟合初始暂态电压行波线模分量与零模分量小波能量比和故障距离之间的关系,构建集成人工神经网络故障定位模型,通过该模型可直接得到高压交流输电线路故障位置。实验结果表明,方法精度不受过渡电阻影响,测距精度较高。